「文字转语音」共找到 471 篇相关文章
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
豆包 Seed 2.0 Lite升级：给 Agent 装上眼睛和耳朵
近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。
这才叫AI原生应用：Google Slides
Google Slides是Google版AI PPT，与传统AI PPT不同。它像传统PPT搭配AI聊天机器人，用Nano Banana模型可直接生成图片和文字，能像素级推理，打破传统PPT结构，还可自然语言交互修改，只是中文生成效果待提升。
老黄亲自站台，英伟达编程神器！Cursor 2.0自研模型狂飙4倍
Cursor 2.0版本重大升级，发布自研编码模型Composer，速度是同等模型4倍。还重构IDE交互逻辑，支持多智能体模式，引入语音模式等。早期测试和开发者反馈其速度快，但智能程度与部分模型有差距。
P图老本事搭上了对话框，美图这AI Agent到底香不香？
本文对美图AI Agent RoboNeo进行实测。它web端操作简单，生图和p图功能丰富，拆分图层功能好用，工作流能辅助创作。不过它生成速度慢，视频生成有画面逻辑、文字生成等问题。其开发节奏快。
500美元刷新SOTA！训练成本砍到1/200，华人团队重构视频生成范式
香港城市大学等团队发布图像 - 视频生成模型Pusa V1.0，在基础大模型上引入VTA机制，用3860对视频 - 文字数据、约500美元微调，在I2V超越Wan - I2V - 14B实现SOTA，还解锁零样本任务能力。
13年死磕一个真理，这家中国AI黑马冲刺IPO
云知声深耕AI 13年，即将冲刺港交所IPO。它从单一语音识别发展为全栈AGI方案商，以智慧生活和智能医疗双轮驱动，营收稳健增长。其坚持技术创新，构建全栈自研体系，有望在AI时代持续领跑。
Seedance 2.5 抽卡老废片？专业团队的 4 层控制法
Seedance 2.5上线后，单条画质好但成片易散架，废片率高。文章将官方提示词指南和一线分镜写法整合成四层控制框架，还给出30秒短剧分镜示例，助你定位问题、提高抽卡效率。
两个小时，10美元，Karpathy做了一个《指环王》3D游戏
Andrej Karpathy 让 Opus 5 根据《指环王》开篇文字，用 Three.js 制作三维场景，成本约 10 美元，两小时写出 5500 行代码。虽效果粗糙但有趣，他设想未来大模型能按需生成虚拟世界，不过也暴露大模型难以检查成果的问题。
牛津VGG、港大、上交发布ELIP：超越CLIP等，多模态图片检索的增强视觉语言大模型预训练
牛津VGG、港大、上交大团队论文提出ELIP方法，用学术界资源增强视觉语言大模型预训练，用于文字 - 图片检索。该论文被大会接受并获最佳论文提名。ELIP可应用于多个大模型，实验显示能显著提升图片检索表现。